python爬虫入门超easy系列(五)

python爬虫入门超easy系列(五)

如何爬取百度贴吧(lol)

1.先验证必要的帖子元素能够解析,修改run中的内容

import requests
import lxml.html


class TiebaSpider(object):
    """
    实现下载某个贴吧指定页码前的内容,存储下载内容
    """
    def __init__(self,name,pages):
        """
        初始化方法
        """
        self.tieba_name = name
        self.pages_download = pages
        self.base_url = "https://tieba.baidu.com/f?kw={}&ie=utf-8&pn={}"
        self.header = {"User-Agent": "Python"}

    def make_url_list(self):
        """
        获取待下载的url列表
        :return:返回生成的url列表
        """
        url_lists = []
        for i in range(self.pages_download):
            download_url = self.base_url.format(self.tieba_name, i * 50)
            url_lists.append(download_url)
        return url_lists


    #注意maybe static 警告,怎么消除警告?
    def save_url(self,content,file_name):
        """
        将指定内容进行存储
        :param content:要存储的内容,这里传入的参数要求是二进制
        :param file_name:文件名
        :return:无
        """
        with open(file_name,'wb') as f:
            f.write(content)

    def download_url(self,url_str):
        """
        下载指定url处的内容
        :param url_str: 要下载的地址
        :return: 返回下载的结果
        """
        response = requests.get(url_str,headers=self.header)
        return response.text #content是二进制数据

    def run(self):
        """
        主业务逻辑,使用run后期可以改造成多线程爬虫
        :return:
        """
        url_lists = self.make_url_list()
        #url_str in url_lists:
        result_text = self.download_url(url_lists[0])
        parse_result = lxml.html.fromstring(result_text)

        result_elements = parse_result.cssselect("ul#thread_list > li.j_thread_list")
        print(result_elements[0].cssselect("div.threadlist_title > a.j_th_tit")[0].text)





tieba_spider = TiebaSpider('lol',3)
tieba_spider.run()

2.把run方法更新成如下内容,解析并打印帖子列表及下一页内容


        def run(self):
        """
        主业务逻辑,使用run后期可以改造成多线程爬虫
        :return:
        """
        url_lists = self.make_url_list()
        for url_str in url_lists:
            result_text = self.download_url(url_str)
            parse_result = lxml.html.fromstring(result_text)

            result_elements = parse_result.cssselect("ul#thread_list > li.j_thread_list")
            next_element    = parse_result.cssselect("div.thread_list_bottom a.next")[0]
            print(next_element.text)
            print(next_element.xpath(".//@href"))

            for result_element in result_elements:
                result_thread =  result_element.cssselect("div.threadlist_title > a.j_th_tit")[0]
                print(result_thread.text)
                print(result_thread.xpath(".//@href"))
                print("*" * 20)

3.添加url类型对象类用于标识url类型及完善网址

class UrlType(object):
    """
    URL类型对象,用来存放网址类型
    """
    def __init__(self,url_type,url_str):
        """
        初始化函数
        :param url_type: url类型 1:下一页 2:详情页
        :param url_str: url字符串
        """
        self.url_type = url_type
        self.url_str  = url_str

    def compelete_url(self):
        """
        根据url_type类型返回完整的url
        :return:
        """
        if self.url_type == 1:
            return "https:"+ self.url_str

        if self.url_type == 2:
            return "https://tieba.baidu.com" + self.url_str
            
         return self.url_str


4.在run方法中添加queue队列实现持续的解析下载

        while not self.crawl_queue.empty():
            url_type = self.crawl_queue.get()
            #广度优先遍历的访问自身
            print("正在下载",url_type.compelete_url())
            result_text = self.download_url(url_type.compelete_url())
            parse_result = lxml.html.fromstring(result_text)

            #广度优先遍历的访问邻居
            if url_type.url_type == 1 or url_type.url_type == 0:
                result_elements = parse_result.cssselect("ul#thread_list > li.j_thread_list")
                next_element    = parse_result.cssselect("div.thread_list_bottom a.next")[0]
                url_str_next = next_element.xpath(".//@href")[0]
                self.crawl_queue.put(UrlType(1,url_str_next))
                #print("next page is :",url_str_next)
                #print("*" * 50)

                for result_element in result_elements:
                    result_thread =  result_element.cssselect("div.threadlist_title > a.j_th_tit")[0]
                    print(result_thread.text)
                    url_str_detail = result_thread.xpath(".//@href")[0]
                    self.crawl_queue.put(UrlType(2,url_str_detail))
                    print(url_str_detail)
            else:
                pass


完整代码:

import requests
import lxml.html
from queue import Queue

class TiebaSpider(object):
    def __init__(self,name,pages):
        self.tieba_name = name
        self.pages_download = pages
        self.base_url = "https://tieba.baidu.com/f?kw={}&ie=utf-8&pn={}"
        self.headers = {"User_Agent":"python"}

        self.crawl_queue = Queue()
        self.crawl_queue.put(UrlType(0,"https://tieba.baidu.com/f?kw=lol&ie=utf-8&pn=0"))

    def make_url_list(self):
        url_lists = []
        for i in range(self.pages_download):
            download_url =self.base_url.format(self.tieba_name,i*50)
            url_lists.append(download_url)
        return url_lists

    def save_url(self,content,file_name):
        with open(file_name,'wb') as f:
            f.write(content)

    def download_url(self,url_str):
        response = requests.get(url_str,headers = self.headers)
        return response.content

    def run(self):
        while not self.crawl_queue.empty():
            url_type = self.crawl_queue.get()
            print('正在下载:',url_type.compelete_url())
            resulet_text = self.download_url(url_type.compelete_url())
            parse_result = lxml.html.fromstring(resulet_text)

            if url_type.url_type ==1 or url_type.url_type ==0:
                resulet_elements = parse_result.cssselect("ul#thread_list > li.j_thread_list")
                next_element = parse_result.cssselect("div.thread_list_bottom a.next")[0]
                url_str_next = next_element.xpath(".//@href")[0]
                self.crawl_queue.put(UrlType(1,url_str_next))
                # print(url_str_next)
                for resulet_element in resulet_elements:
                    result_thread = resulet_element.cssselect("div.threadlist_title > a.j_th_tit")[0]
                    print(result_thread.text)
                    url_str_detail = result_thread.xpath(".//@href")[0]
                    self.crawl_queue.put(UrlType(2,url_str_detail))
                    print(url_str_detail)
            else:
                pass







class UrlType(object):
    def __init__(self,url_type,url_str):
        self.url_type = url_type
        self.url_str = url_str

    def compelete_url(self):
        if self.url_type ==1:
            return "https:"+self.url_str
        if self.url_type ==2:
            return "https://tieba.baidu.com" + self.url_str
        return self.url_str


tieba_spider = TiebaSpider('lol',3)
tieba_spider.run()

  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
提供的源码资源涵盖了小程序应用等多个领域,每个领域都包含了丰富的实例和项目。这些源码都是基于各自平台的最新技术和标准编写,确保了在对应环境下能够无缝运行。同时,源码中配备了详细的注释和文档,帮助用户快速理解代码结构和实现逻辑。 适用人群: 适合毕业设计、课程设计作业。这些源码资源特别适合大学生群体。无论你是计算机相关专业的学生,还是对其他领域编程感兴趣的学生,这些资源都能为你提供宝贵的学习和实践机会。通过学习和运行这些源码,你可以掌握各平台开发的基础知识,提升编程能力和项目实战经验。 使用场景及目标: 在学习阶段,你可以利用这些源码资源进行课程实践、课外项目或毕业设计。通过分析和运行源码,你将深入了解各平台开发的技术细节和最佳实践,逐步培养起自己的项目开发和问题解决能力。此外,在求职或创业过程中,具备跨平台开发能力的大学生将更具竞争力。 其他说明: 为了确保源码资源的可运行性和易用性,特别注意了以下几点:首先,每份源码都提供了详细的运行环境和依赖说明,确保用户能够轻松搭建起开发环境;其次,源码中的注释和文档都非常完善,方便用户快速上手和理解代码;最后,我会定期更新这些源码资源,以适应各平台技术的最新发展和市场需求。 所有源码均经过严格测试,可以直接运行,可以放心下载使用。有任何使用问题欢迎随时与博主沟通,第一时间进行解答!

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值